[发明专利]一种基于度量学习的辐射源未知信号识别方法

说明书

该发明公开了一种基于度量学习的辐射源未知信号识别方法，属于信号检测领域。选取时频特征作为信号个体间指纹特征应用于信号识别任务。本发明旨在解决在样本较少的情况下，针对传统神经网络需要大量样本的问题，提出一种基于度量学习的辐射源未知信号识别方法，通过嵌入函数对特进行一维化，求得每个辐射源的一维化向量“中心”，计算每个未知信号样本到各个辐射源“中心”的距离，最后根据距离大小完成辐射源的未知信号识别任务。该发明使用相对较少的样本数进行信号识别，可以识别出在训练数据中从未出现的样本，并且可以达到较高的识别准确率。

技术领域

本发明属于信号检测领域，特别是基于度量学习的辐射源未知信号识别方法。

背景技术

辐射源未知信号识别问题，是对辐射源已有信号进行训练，对未知信号进行识别的问题，实质上是关于辐射源个体识别的问题。传统的辐射源识别的具体流程通常为数据获取、数据预处理、特征提取、识别与分类。数据获取与数据预处理方法与传统方法相差不大。特征提取可根据提取特征所在的维度时域特征、频域特征、时频域特征、统计特征等等。

卷积神经网络自提出以来，在各种分类与识别问题上应用广泛，诸如图像、信号、语音等方面。其中在通信、雷达领域的辐射源个体识别研究中，卷积神经网络可以通过自身网络特性实现对信号特征的提取并加以识别，但是对于在训练过程中没有出现的未知样本，仅仅靠卷积神经网络无法完成有效地识别；度量学习在信号识别领域，尤其是在图像识别这方面，比较两张图片是否相似的应用较为广泛。本发明将卷积神经网络与度量学习相结合，发明一种基于度量学习的辐射源未知信号识别方法。

目前的信号识别方法均是通过大量的训练数据集(通常在几千个样本以上)来建立模型，并且需要满足每种信号的样本同时出现在训练数据集与测试数据集中，才能保证模型可以学习到信号的特征。本发明通过相对较少的样本数(几百个样本)，同时测试数据集的信号样本在训练数据集中从未出现过，通过对训练数据进行训练建立模型，求得每个辐射源的“中心”，未知信号样本通过计算到每个源“中心”的距离大小完成分类与识别。

发明内容

本专利提出一种基于度量学习的辐射源未知信号识别方法，选取时频特征作为信号个体间指纹特征应用于信号识别任务。本发明旨在解决在样本较少的情况下，针对传统神经网络需要大量样本的问题，提出一种基于度量学习的辐射源未知信号识别方法，通过嵌入函数对特进行一维化，求得每个辐射源的一维化向量“中心”，计算每个未知信号样本到各个辐射源“中心”的距离，最后根据距离大小完成辐射源的未知信号识别任务。

本发明技术方案为一种基于度量学习的辐射源未知信号识别方法，该方法包括：

步骤1：获取辐射源样本信号，对样本信号进行划分，并计算每个样本信号的时频信息，得到由时频信息的实部、虚部、幅值、相位信息组成的时频矩阵；

步骤2：采用空间嵌入函数将步骤1得到的时频矩阵进行一维化，得到一维化向量；

步骤3：采用如下公式(1)，计算相同源样本的一维化向量的中心；

其中c_k代表每个源的中心，S_k是每个源的训练样本，|S_k|表示每个源的训练样本的个数，x_i是训练样本中一个样本，y_i代表该样本所属源标签，X_i表示样本x_i的一维化向量；

步骤4：采用如下公式(2)计算未知信号属于各个源的概率，概率最大的则表示该未知信号属于哪一个源；